直推式多标签零样本学习
机器学习
2015-03-27 v1 计算机视觉与模式识别
摘要
零样本学习作为一种缓解大规模识别问题中标注训练数据往往高昂费用的手段，受到了越来越多的关注。这些方法通过学习中间语义表示（形式为属性，以及最近的语义词向量）取得了巨大成功。然而，迄今为止它们仅限于单标签情况，这与日益流行且重要的更现实的多标签数据形成对比。在本文中，我们首次研究并形式化了多标签零样本学习的通用框架，解决了其中的独特挑战：如何在那些类别没有训练数据的情况下，在测试时利用多标签相关性？具体而言，我们提出了：(1) 一种多输出深度回归模型，用于将图像投影到语义词空间，该模型明确利用了词向量中间语义层中的相关性；(2) 一种针对多标签数据的新型零样本学习算法，该算法利用了语义词向量表示的独特组合属性；以及 (3) 一种直推式学习策略，使从可见类别学到的回归模型能够很好地泛化到不可见类别。我们在多个标准多标签数据集上的零样本学习实验表明，我们的方法优于各种基线方法。
引用
@article{arxiv.1503.07790,
title = {Transductive Multi-label Zero-shot Learning},
author = {Yanwei Fu and Yongxin Yang and Tim Hospedales and Tao Xiang and Shaogang Gong},
journal= {arXiv preprint arXiv:1503.07790},
year = {2015}
}
备注
12 pages, 6 figures, Accepted to BMVC 2014 (oral)